Cours Deep Learning
Description
A l'issue de ce cours, l'étudiant doit être en mesure de :
- Comprendre les fondements des réseaux de neurones artificiels (RNA)
- Maîtriser les méthodes d’optimisation par descente de gradient (GD)
- Concevoir et entraîner des réseaux convolutionnels (CNN)
- Modéliser des séquences avec les réseaux récurrents (RNN, LSTM, GRU)
- Explorer l’apprentissage non supervisé avec les autoencodeurs (AE)
- Approfondir les modèles probabilistes avec les Variational Autoencoders (VAE)
- Découvrir les réseaux antagonistes génératifs (GAN)
Examen: documents non autorisés.
Plan du cours
Chapitre 1: Introduction
Slides: Chap01-introduction.pdf
Cachiers Jupyter:
Chapitre 2: Descente de Gradient
Slides: chap02-GD.pdf
Cachiers Jupyter:
Datasets:
Chapitre 3: Réseaux de Neurones Artificiels
Slides: chap03-ANNs-Part1-Intro.pdf chap03-ANNs-Part2-BackProp.pdf
Cachiers Jupyter:
Datasets:
Chapitre 4: CNN
Slides: chap04-CNN.pdf
Cachiers Jupyter:
Datasets:
Chapitre 5: RNN
Slides: chap05-RNN.pdf
Cachiers Jupyter:
Datasets:
Chapitre 6: Autoencoder
Slides: chap06-autoencoder.pdf
Excel:
Datasets:
ISSAT Kairouan:
Adresse : Route périphérique Dar El Amen 3100, Kairouan
Tél : +216 77 27 38 04/+216 77 27 37 96
Fax : +216 77 27 38 06
Email : issatkr@issatkr.rnu.tn